Bagaimana Pembelajaran Mendalam Mengubah Layanan Kesehatan Bagian 1: Diagnosis

AI siap untuk membuat dampak yang mendalam dan bertahan lama pada perawatan kesehatan, didorong oleh tiga tren yang kuat:

1. Graphics Processing Unit (GPU) semakin cepat dan hemat energi.

Sampai saat ini, menjalankan algoritme AI jarang hemat biaya.

2. Algoritma semakin canggih.

Karena kita sekarang dapat menggunakan model pembelajaran mendalam dengan biaya yang lebih murah, inovasi meledak.

3. Data kesehatan berlimpah.

Berkat EHR dan upaya digitalisasi lainnya, kami memiliki lebih banyak data perawatan kesehatan untuk digunakan untuk melatih algoritme daripada sebelumnya.

Beberapa tahun yang lalu, kurang dari dua lusin startup AI berfokus pada perawatan kesehatan, menurut CB Insights. Saat ini, ada lebih dari 100 startup AI terkait perawatan kesehatan.

Hal ini membuat banyak dokter menggaruk-garuk kepala tentang bagaimana mereka dapat mempersiapkan apa yang akan terjadi besok, hari ini. Berikut adalah cara deep learning mengubah perawatan kesehatan saat ini, dan tip untuk membeli perangkat keras yang tepat untuk bersiap menghadapi revolusi AI yang akan datang.

Ikhtisar terminologi

Glosarium istilah AI (melalui Fortune)

Diagnostik yang lebih cepat dan akurat melalui pembelajaran mendalam

Ketika Anda memikirkannya, mendiagnosis penyakit adalah tugas yang sempurna untuk kecerdasan buatan. Pembelajaran mendalam adalah tentang mengidentifikasi pola dengan menghubungkan titik-titik.

Pertimbangkan seekor anjing. Komponen: berbulu, dua mata, empat kaki, ekor. Lebih kecil dari manusia, lebih besar dari kucing. Algoritme pembelajaran mendalam "belajar"—melalui banyak siklus input data, analisis, dan pengujian—apa masing-masing dan kemudian dapat mengidentifikasi seekor anjing dari bagian-bagian penyusunnya.

Dalam kasus penyakit, titik-titik adalah gejala dan gangguan terkait. Batuk, bersin, sakit tenggorokan: pasti masuk angin.

Algoritme pembelajaran mendalam menjadi lebih baik dalam mendiagnosis dengan cara yang sama seperti yang dilakukan dokter: dengan latihan. Seperti seorang dokter, algoritme membuat tebakan dan mempelajari apakah itu benar atau tidak berdasarkan apakah pasien merespons pengobatan atau mengembangkan gejala baru yang menunjukkan bahwa diagnosis awal salah. Informasi ini dimasukkan ke dalam algoritma melalui data EHR.

Bagaimana jaringan saraf yang dalam belajar (melalui Fortune)

Satu perbedaan penting antara seorang dokter dan algoritma pembelajaran yang mendalam adalah bahwa seorang dokter harus tidur. Setelah Anda melatih suatu algoritme, algoritme dapat bekerja (dan meningkat) secara terus-menerus.

Seorang dokter akan melihat dan belajar dari ribuan gambar MRI dalam hidupnya. Sebuah algoritma bisa melihat triliunan. Seperti semua manusia, dokter rentan terhadap kesalahan. Dengan AI, tidak ada risiko penyakit, kelelahan, atau keasyikan. Itu tidak akan mempraktekkan pengobatan defensif atau terjebak di jalannya.

Seperti apa ini dalam praktiknya?

Pembelajaran mesin sudah dapat menentukan apakah lesi kulit bersifat kanker seakurat dokter kulit bersertifikat, seperti yang ditunjukkan oleh para ilmuwan di Universitas Stanford awal tahun ini.

Ketika teman sekamar Hossam Haick didiagnosa menderita leukemia, dia terinspirasi untuk membuat sensor untuk mengobati kanker. “Tetapi kemudian saya menyadari bahwa diagnosis dini bisa sama pentingnya dengan pengobatan itu sendiri,” kata Haick kepada New York Times. Jadi dia membangun mesin yang menggunakan kecerdasan buatan untuk mempelajari seperti apa bau penyakit yang berbeda. Dengan setiap mengendus, algoritma menjadi lebih akurat. Hingga Desember lalu, ia mampu mengidentifikasi 17 penyakit berbeda dengan akurasi hingga 86%.

Enlitic menggunakan pembelajaran mendalam untuk mendeteksi nodul paru-paru di radiografi dan CT dan MRI scan dan menentukan apakah mereka jinak atau ganas. CEO Igor Barani, mantan profesor onkologi radiasi di University of California di San Francisco, mengklaim bahwa algoritma Enlitic mengungguli empat ahli radiologi dalam pengujian. Barani memberi tahu Futuris Medis:

“Sampai baru-baru ini, program komputer diagnostik ditulis menggunakan serangkaian asumsi yang telah ditentukan sebelumnya tentang fitur spesifik penyakit. Program khusus harus dirancang untuk setiap bagian tubuh dan hanya sekumpulan penyakit terbatas yang dapat diidentifikasi, mencegah fleksibilitas dan skalabilitasnya. Program seringkali terlalu menyederhanakan kenyataan, menghasilkan kinerja diagnostik yang buruk, dan dengan demikian tidak pernah mencapai adopsi klinis yang luas. Sebaliknya, pembelajaran mendalam dapat dengan mudah menangani spektrum penyakit yang luas di seluruh tubuh, dan semua modalitas pencitraan (sinar-X, CT scan, dll.).”

Freenome menggunakan pembelajaran mendalam untuk menemukan kanker dalam sampel darah atau, lebih khusus, fragmen DNA yang dipancarkan sel darah saat mereka mati. Perusahaan modal ventura Andreessen Horowitz mengirim perusahaan lima sampel darah untuk dianalisis sebagai tes pra-investasi. Perusahaan melanjutkan investasinya setelah Freenome mengidentifikasi kelimanya—dua normal dan tiga kanker—dengan benar. Pendiri Gabriel Otte mengatakan kepada Fortune bahwa algoritme pembelajaran mendalamnya mendeteksi tanda-tanda kanker yang belum dicirikan oleh ahli biologi kanker.

Pada bulan Mei, pendiri dan CEO Babylon Health Ali Parsa mengatakan kepada acara teknologi online “Hot Topics” bahwa timnya baru-baru ini mengirimkan sistem triase klinis bertenaga AI pertama di dunia untuk pengujian akademik, di mana sistemnya membuktikan dirinya 13% lebih akurat daripada dokter. dan 17% lebih akurat daripada perawat.

Seberapa realistis implementasinya?

Sementara pembelajaran mesin dengan cepat menjadi cara yang lebih baik untuk mendiagnosis penyakit, itu hanya menjadi lebih layak untuk penggunaan universal baru-baru ini. Sebelum sekarang, itu terlalu mahal untuk diterapkan secara luas.

Berkat prosesor yang lebih baru yang berjalan lebih cepat dari sebelumnya sambil membutuhkan lebih sedikit energi, pembelajaran mesin maju dengan kecepatan yang lebih cepat dan lebih terjangkau.

Seperti catatan Para dalam video di atas, sepuluh tahun yang lalu melihat setiap bagian tubuh Anda untuk menemukan dan mendiagnosis penyakit menghabiskan biaya satu juta dolar. Hari ini, biaya itu telah turun menjadi $10.000 dan termasuk pengurutan gen.

Satu perusahaan pencitraan medis telah memperoleh persetujuan FDA untuk menjual perangkat lunak bertenaga AI kepada dokter. Pada bulan Januari, Arteris mendapat lampu hijau untuk "DeepVentricle", algoritme pembelajaran mendalam yang dapat menghitung kapasitas jantung pasien seakurat dokter dalam waktu kurang dari 30 detik. Sebaliknya, menganalisis gambar MRI untuk menyelesaikan perhitungan dengan tangan membutuhkan waktu sekitar satu jam.

Insinyur biomedis dan profesor Cristina Davis memperkirakan bahwa dalam tiga hingga lima tahun, dokter akan memiliki akses ke algoritma pembelajaran mendalam untuk membantu diagnosis.

Bersiaplah untuk pembelajaran mendalam dengan perangkat keras yang tepat

Sebagian besar peningkatan daya komputasi sejak akhir 2000-an disebabkan oleh chip yang dirancang oleh Nvidia untuk meningkatkan realisme visual video game. Menggunakan unit pemrosesan grafis (GPU) untuk pembelajaran mendalam ternyata 20 hingga 50 kali lebih efisien daripada menggunakan unit pemrosesan pusat (CPU).

Pada Agustus 2016, Nvidia mengumumkan bahwa pendapatan kuartalannya meningkat lebih dari dua kali lipat dari tahun ke tahun untuk segmen pusat datanya, mencapai $151 juta. CFO Colette Kress mengatakan kepada investor bahwa “Sebagian besar pertumbuhan berasal dari pembelajaran mendalam sejauh ini.”

Pada tahun 2016 Intel membeli startup pembelajaran mendalam, Nervana Systems dan Movidius, sementara Google meluncurkan unit pemrosesan tensor (TPU) yang dirancang khusus untuk memfasilitasi pembelajaran mendalam.

Hari ini, Nvidia membidik industri medis. Manajer pengembangan bisnis perusahaan Kimberley Powell ingin melihat prosesor Nvidia digunakan untuk memenuhi kebutuhan analisis pembelajaran mendalam dari pencitraan medis.

Futurisme melaporkan bahwa "Perangkat keras Nvidia telah menetapkan perannya yang diam tetapi menonjol dalam pernikahan pembelajaran mendalam dengan obat-obatan." Perusahaan sedang membangun komputer canggih yang dirancang untuk menjalankan komputasi dengan cepat dan efisien yang dapat membuat diagnosis lebih cepat dan akurat. Powell berharap untuk memasang DGX-1 Nvidia di rumah sakit dan pusat penelitian medis di seluruh dunia.

Beberapa rumah sakit—seperti pusat ilmu data klinis baru di Rumah Sakit Umum Massachusetts—sudah menggunakan perangkat keras baru ini untuk kesehatan populasi, membandingkan hasil tes pasien dan riwayat medis untuk mengidentifikasi korelasi dalam data.

Kesimpulan

Jaringan saraf dalam mengubah cara dokter mendiagnosis penyakit, membuat diagnosis lebih cepat, lebih murah, dan lebih akurat daripada sebelumnya. Mengambil keuntungan dari kemajuan ini memerlukan langkah-langkah persiapan tertentu, seperti meningkatkan perangkat keras Anda.

Saat Anda siap untuk meningkatkan, pastikan untuk berinvestasi dalam sistem yang dapat menangani persyaratan komputasi pembelajaran mendalam dan kesehatan populasi.

Minggu depan, kita akan membahas cara lain pembelajaran mendalam mengubah perawatan kesehatan: pencegahan penyakit. Kami juga akan berbicara tentang manajemen praktik medis dan perangkat lunak EHR yang Anda perlukan untuk mulai menggunakan pembelajaran mendalam dalam praktik Anda.

Untuk mempelajari lebih lanjut tentang AI dan perawatan kesehatan, lihat posting ini:

• Apa itu Kedokteran Presisi? Pengantar Sederhana untuk Dokter yang Bingung
• 5 Startup AI Kesehatan untuk UKM untuk Diketahui
• 5 Cara Kecerdasan Buatan Mempengaruhi Telehealth